多路归并排序_字节跳动面试：5 亿整数的大文件，如何排序？

最近，面试头条，面试官一上来，就问了我这么一个问题，我一脸懵逼，决定记录一下。

问题

给你1个文件bigdata，大小4663M，5亿个数，文件中的数据随机,如下一行一个整数：

6196302

3557681

6121580

2039345

2095006

1746773

7934312

2016371

7123302

8790171

2966901

...

7005375

现在要对这个文件进行排序，怎么搞？

内部排序

先尝试内排，选2种排序方式。

3路快排：

private final int cutoff = 8;

public <T> void perform(Comparable<T>[] a) {

perform(a, 0, a.length - 1);

}

private <T> int median3(Comparable<T>[] a, int x, int y, int z) {

if (lessThan(a[x], a[y])) {

if (lessThan(a[y], a[z])) {

return y;

} else if (lessThan(a[x], a[z])) {

return z;

} else {

return x;

}

} else {

if (lessThan(a[z], a[y])) {

return y;

} else if (lessThan(a[z], a[x])) {

return z;

} else {

return x;

}

private <T> void perform(Comparable<T>[] a, int low, int high) {

int n = high - low + 1;

// 当序列非常小，用插入排序

if (n <= cutoff) {

InsertionSort insertionSort = SortFactory.createInsertionSort();

insertionSort.perform(a, low, high);

// 当序列中小时，使用median3

} else if (n <= 100) {

int m = median3(a, low, low + (n >>> 1), high);

exchange(a, m, low);

// 当序列比较大时，使用ninther

} else {

int gap = n >>> 3;

int m = low + (n >>> 1);

int m1 = median3(a, low, low + gap, low + (gap << 1));

int m2 = median3(a, m - gap, m, m + gap);

int m3 = median3(a, high - (gap << 1), high - gap, high);

int ninther = median3(a, m1, m2, m3);

exchange(a, ninther, low);

}

if (high <= low)

return;

// lessThan

int lt = low;

// greaterThan

int gt = high;

// 中心点

Comparable<T> pivot = a[low];

int i = low + 1;

/*

* 不变式：a[low..lt-1] 小于pivot -> 前部(first) a[lt..i-1] 等于 pivot -> 中部(middle)

* a[gt+1..n-1] 大于 pivot -> 后部(final)

*

* a[i..gt] 待考察区域

*/

while (i <= gt) {

if (lessThan(a[i], pivot)) {

// i-> ,lt ->

exchange(a, lt++, i++);

} else if (lessThan(pivot, a[i])) {

exchange(a, i, gt--);

} else {

i++;

}

// a[low..lt-1] < v = a[lt..gt] < a[gt+1..high].

perform(a, low, lt - 1);

perform(a, gt + 1, high);

}

归并排序：

/**

* 小于等于这个值的时候，交给插入排序

*/

private final int cutoff = 8;

/**

* 对给定的元素序列进行排序

*

* @param a 给定元素序列

*/

@Override

public <T> void perform(Comparable<T>[] a) {

Comparable<T>[] b = a.clone();

perform(b, a, 0, a.length - 1);

}

private <T> void perform(Comparable<T>[] src, Comparable<T>[] dest, int low, int high) {

if (low >= high)

return;

// 小于等于cutoff的时候,交给插入排序

if (high - low <= cutoff) {

SortFactory.createInsertionSort().perform(dest, low, high);

return;

}

int mid = low + ((high - low) >>> 1);

perform(dest, src, low, mid);

perform(dest, src, mid + 1, high);

// 考虑局部有序 src[mid] <= src[mid+1]

if (lessThanOrEqual(src[mid], src[mid + 1])) {

System.arraycopy(src, low, dest, low, high - low + 1);

}

// src[low .. mid] + src[mid+1 .. high] -> dest[low .. high]

merge(src, dest, low, mid, high);

}

private <T> void merge(Comparable<T>[] src, Comparable<T>[] dest, int low, int mid, int high) {

for (int i = low, v = low, w = mid + 1; i <= high; i++) {

if (w > high || v <= mid && lessThanOrEqual(src[v], src[w])) {

dest[i] = src[v++];

} else {

dest[i] = src[w++];

}

数据太多，递归太深 ->栈溢出？加大Xss？

数据太多，数组太长 -> OOM？加大Xmx?

耐心不足，没跑出来.而且要将这么大的文件读入内存，在堆中维护这么大个数据量，还有内排中不断的拷贝，对栈和堆都是很大的压力，不具备通用性。

sort命令来跑

跑了多久呢？24分钟。

为什么这么慢？

粗略的看下我们的资源：

内存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 外存 swap + 磁盘数据量很大，函数调用很多，系统调用很多，内核/用户缓冲区拷贝很多，脏页回写很多，io-wait很高，io很繁忙，堆栈数据不断交换至swap，线程切换很多，每个环节的锁也很多。

总之，内存吃紧，问磁盘要空间，脏数据持久化过多导致cache频繁失效，引发大量回写，回写线程高，导致cpu大量时间用于上下文切换，一切，都很糟糕，所以24分钟不细看了，无法忍受。

位图法

private BitSet bits;

public void perform(String largeFileName, int total, String destLargeFileName, Castor<Integer> castor,

int readerBufferSize, int writerBufferSize, boolean asc) throws IOException {

System.out.println("BitmapSort Started.");

long start = System.currentTimeMillis();

bits = new BitSet(total);

InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);

OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize);

largeOut.delete();

Integer data;

int off = 0;

try {

while (true) {

data = largeIn.read();

if (data == null)

break;

int v = data;

set(v);

off++;

}

largeIn.close();

int size = bits.size();

System.out.println(String.format("lines : %d ,bits : %d", off, size));

if (asc) {

for (int i = 0; i < size; i++) {

if (get(i)) {

largeOut.write(i);

}

} else {

for (int i = size - 1; i >= 0; i--) {

if (get(i)) {

largeOut.write(i);

}

largeOut.close();

long stop = System.currentTimeMillis();

long elapsed = stop - start;

System.out.println(String.format("BitmapSort Completed.elapsed : %dms", elapsed));

} finally {

largeIn.close();

largeOut.close();

}

private void set(int i) {

bits.set(i);

}

private boolean get(int v) {

return bits.get(v);

}

nice! 跑了190秒，3分来钟. 以核心内存4663M/32大小的空间跑出这么个结果，而且大量时间在用于I/O，不错。

问题是，如果这个时候突然内存条坏了1、2根，或者只有极少的内存空间怎么搞？

外部排序

该外部排序上场了，外部排序干嘛的？

内存极少的情况下，利用分治策略，利用外存保存中间结果，再用多路归并来排序;

map-reduce的嫡系。

1、分

内存中维护一个极小的核心缓冲区memBuffer，将大文件bigdata按行读入，搜集到memBuffer满或者大文件读完时，对memBuffer中的数据调用内排进行排序，排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted. 循环利用memBuffer直到大文件处理完毕，得到n个有序的磁盘文件：

2、合

现在有了n个有序的小文件，怎么合并成1个有序的大文件？把所有小文件读入内存，然后内排？(⊙o⊙)… no!

利用如下原理进行归并排序：

我们举个简单的例子：

文件1：3,6,9

文件2：2,4,8

文件3：1,5,7

第一回合：

文件1的最小值：3 , 排在文件1的第1行

文件2的最小值：2，排在文件2的第1行

文件3的最小值：1，排在文件3的第1行

那么，这3个文件中的最小值是：min(1,2,3) = 1

也就是说，最终大文件的当前最小值，是文件1、2、3的当前最小值的最小值，绕么？

上面拿出了最小值1，写入大文件.

第二回合：

文件1的最小值：3 , 排在文件1的第1行

文件2的最小值：2，排在文件2的第1行

文件3的最小值：5，排在文件3的第2行

那么，这3个文件中的最小值是：min(5,2,3) = 2

将2写入大文件.

也就是说，最小值属于哪个文件，那么就从哪个文件当中取下一行数据.(因为小文件内部有序，下一行数据代表了它当前的最小值)

最终的时间，跑了771秒，13分钟左右。

less bigdata.sorted.text

...

9999966

9999967

9999968

9999969

9999970

9999971

9999972

9999973

9999974

9999975

9999976

9999977

9999978

...

来源：https://blog.csdn.net/gsky1986/article/details/46499529

推荐关注：一个二代的编程历程